Você está na página 1de 30

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/327894869

Processamento de imagem digital com FIJI/ImageJ

Presentation · August 2018

CITATIONS READS

0 305

1 author:

Otavio Gomes
Centro de Tecnologia Mineral
73 PUBLICATIONS   510 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Caracterização Automática de Minério de Ferro e seus Aglomerdos através de Microscopia Digital View project

Desenvolvimento de Metodologia para Automação da Análise de Imagens de Minério de Ferro e Pelotas View project

All content following this page was uploaded by Otavio Gomes on 13 November 2018.

The user has requested enhancement of the downloaded file.


24/08/2018

Rev. 02

Bibliografia
 Fiji/ImageJ: http://Fiji.sc

Processamento de imagem
 Gomes, O. Processamento e Análise Digital de Imagens (Cap. 3). In: Microscopia Co-
Localizada: Novas Possibilidades na Caracterização de Minérios [Tese de Doutorado].
PUC-Rio, 2007.

digital com FIJI/ImageJ  Gomes, O. Processamento e Análise Digital de Imagens (Cap. 2). In: Processamento e
Análise de Imagens Aplicados à Caracterização Automática de Materiais [Dissertação de
Mestrado]. PUC-Rio, 2001.

 Gomes, O. Reconhecimento de Padrões (Cap. 4). In: Microscopia Co-Localizada: Novas


Otávio da Fonseca Martins Gomes Possibilidades na Caracterização de Minérios [Tese de Doutorado]. PUC-Rio, 2007.

 Russ, J. The Image Processing Handbook, 7th ed., CRC Press, 2015.

 Gonzalez, R.C. & Woods, R.E. Digital Image Processing, 3rd ed. Pearson, 2007.

 Duda, R.O.; Hart, P.E.; Stork, D.G. Pattern Classification, 2nd ed., Wiley-Interscience.

Análise de Imagens Algumas aplicações


 Processamento de Imagens  Microscopia Quantitativa
 Usa operações matemáticas para alterar os valores dos pixels de uma ou mais
imagens.  Sensoriamento Remoto
 Visa melhorar a qualidade da imagem
 Para que o observador “veja melhor”  Visão de Máquina
 Para preparar a imagem para ser analisada pelo próprio computador (análise
de imagens)  Controle de Qualidade

 Análise de Imagens  Medicina Diagnóstica


 Extrai informação quantitativa
 Faz medidas semi-automáticas ou automáticas  Biometria
 Medidas impossíveis de se obter manualmente
 Medidas muito mais rápidas  Segurança
 Medidas reprodutíveis

Processamento e Análise de Imagens Classificação de tipos de hematita


Aquisição
em pellet feed
Aquisição
Pixels Pré-Processamento/Realce
Pré-Processamento
Segmentação Qualitativo
Segmentação
Regiões Pós-Processamento

Pós-Processamento
Extração de Atributos
Dados Quantitativo
Extração de Atributos
Reconhecimento
e Classificação
Reconhecimento
e Classificação Fonte: LESSA, A.M.; GOMES, O.D.M.; FERREIRA, H.O.; D’ABREU, J.C.; PACIORNIK, S. Classificação automática de
hematita especular e hematita porosa em pellet feed por análise digital de imagens. In: Simpósio Brasileiro de
Minério de Ferro, 8, Salvador, 2007. Anais... São Paulo: ABM, 2007. v. 2, p. 582-588.

1
24/08/2018

Classificação de tipos de hematita Classificação de tipos de hematita


em pellet feed em pellet feed
Aquisição Aquisição

Pré-Processamento Pré-Processamento

Segmentação Segmentação

Pós-Processamento Pós-Processamento

Extração de Atributos Extração de Atributos

Reconhecimento Reconhecimento
e Classificação Fonte: LESSA, A.M.; GOMES, O.D.M.; FERREIRA, H.O.; D’ABREU, J.C.; PACIORNIK, S. Classificação automática de
hematita especular e hematita porosa em pellet feed por análise digital de imagens. In: Simpósio Brasileiro de e Classificação Fonte: LESSA, A.M.; GOMES, O.D.M.; FERREIRA, H.O.; D’ABREU, J.C.; PACIORNIK, S. Classificação automática de
hematita especular e hematita porosa em pellet feed por análise digital de imagens. In: Simpósio Brasileiro de
Minério de Ferro, 8, Salvador, 2007. Anais... São Paulo: ABM, 2007. v. 2, p. 582-588. Minério de Ferro, 8, Salvador, 2007. Anais... São Paulo: ABM, 2007. v. 2, p. 582-588.

Classificação de tipos de hematita Classificação de tipos de hematita


em pellet feed em pellet feed
Razão de Aspectos 0,25
Fator de Forma Circular 0,36
Circularidade 0,48
Convexicidade 0,88
Aquisição Aquisição Solidez 0,75

Pré-Processamento Pré-Processamento

Segmentação Segmentação

Pós-Processamento Pós-Processamento

Extração de Atributos Extração de Atributos

Reconhecimento Reconhecimento
e Classificação Fonte: LESSA, A.M.; GOMES, O.D.M.; FERREIRA, H.O.; D’ABREU, J.C.; PACIORNIK, S. Classificação automática de
hematita especular e hematita porosa em pellet feed por análise digital de imagens. In: Simpósio Brasileiro de e Classificação Fonte: LESSA, A.M.; GOMES, O.D.M.; FERREIRA, H.O.; D’ABREU, J.C.; PACIORNIK, S. Classificação automática de
hematita especular e hematita porosa em pellet feed por análise digital de imagens. In: Simpósio Brasileiro de
Minério de Ferro, 8, Salvador, 2007. Anais... São Paulo: ABM, 2007. v. 2, p. 582-588. Minério de Ferro, 8, Salvador, 2007. Anais... São Paulo: ABM, 2007. v. 2, p. 582-588.

Classificação de tipos de hematita Imagem Digital


em pellet feed Hematita lamelar

 Um mundo de quadradinhos...
Aquisição

Pré-Processamento

Segmentação

Pós-Processamento

Extração de Atributos

Reconhecimento Hematita
e Classificação Fonte: LESSA, A.M.; GOMES, O.D.M.; FERREIRA, H.O.; D’ABREU, J.C.; PACIORNIK, S. Classificação automática de
porosa
hematita especular e hematita porosa em pellet feed por análise digital de imagens. In: Simpósio Brasileiro de
Minério de Ferro, 8, Salvador, 2007. Anais... São Paulo: ABM, 2007. v. 2, p. 582-588.

2
24/08/2018

Arquivos de imagem Alguns conceitos


 A imagem deve ser armazenada em arquivo com formato adequado  Bits e Bytes
à Análise de Imagens.  1 bit pode armazenar 2 valores diferentes => 0 e 1.

 Formatos de arquivo  2 bits podem armazenar 4 valores diferentes => 00, 01, 10 e 11
 8 bits (1 byte) podem armazenar 28 (256) valores diferentes.
 TIFF
 robusto, flexível, genérico, multi-plataforma
 preserva as informações  Em computação
 tamanho proporcional à resolução e quantização  1 k = 1024
 pode ser comprimido sem perda de informação, com LZW, por exemplo
 1 M = 1024 k
 adequado à Análise de Imagens
 1 G = 1024 M
 JPG
 compressão com perda de informação
 pode atingir tamanhos bem pequenos, sem muita perda de qualidade visual
 Uma imagem com 1024 x 1024 pixels (1 Mpixel)
 útil para confecção de relatórios, apresentações etc.  8 bit (28 = 256 tons de cinza): x 1 byte/pixel --> 1 MB
 não é adequado à Análise de Imagens  16 bit (216 = 64 k tons de cinza): x 2 bytes/pixel --> 2 MB
 Formatos próprios (img, zvi, ...)  RGB 8 bit (8 bit por canal): x 3 bytes/pixel --> 3 MB

Resolução e Quantização Histograma


128 x 128 pixels
4 níveis de cinza
512 x 512 pixels
4 níveis de cinza
 Representação gráfica da função densidade de probabilidade dos níveis
de intensidade dos pixels da imagem.

nr
p(r ) 
n

 O histograma dá uma idéia geral da aparência da imagem, mas nada


revela acerca de seu conteúdo.
128 x 128 pixels 512 x 512 pixels  Contudo, pode ser muito útil para a análise da imagem.
256 níveis de cinza 256 níveis de cinza

Brilho e Contraste Processamento e Análise de Imagens


Aquisição

Pixels Pré-Processamento/Realce

Segmentação Qualitativo

Regiões Pós-Processamento

Extração de Atributos
Dados Quantitativo

Reconhecimento
e Classificação

3
24/08/2018

Aquisição Aquisição
 Aquisição  2s
 formação da imagem
 digitalização

 Alguns critérios
 Os picos no histograma devem ser finos e separados.

 Brilho e contraste adequados promovem a separação dos picos das fases que
se deseja segmentar.

 O histograma deve preferencialmente ocupar quase toda a faixa de


intensidades disponível sem, contudo, atingir seus extremos.

Aquisição Aquisição
 2s  4s

Aquisição Aquisição
 8s  16 s

4
24/08/2018

Aquisição Aquisição
 32 s  Aquisição
 formação da imagem
 digitalização

 Alguns critérios
 Os picos no histograma devem ser finos e separados.

 Brilho e contraste adequados promovem a separação dos picos das fases que
se deseja segmentar.

 O histograma deve preferencialmente ocupar quase toda a faixa de


intensidades disponível sem, contudo, atingir seus extremos.

Aquisição Aquisição
Aquisição 32 s saturada no branco e no preto Informação
 
perdida
 formação da imagem
 digitalização

 Alguns critérios
 Os picos no histograma devem ser finos e separados.

 Brilho e contraste adequados promovem a separação dos picos das fases que
se deseja segmentar.

 O histograma deve preferencialmente ocupar quase toda a faixa de


intensidades disponível sem, contudo, atingir seus extremos.

 O brilho não deve ser excessivo a ponto de distorcer a forma do histograma,


saturando-o no branco, nem baixo demais, para que não haja saturação no
preto.

Aquisição Aquisição
 32 s  Brilho, contraste, largura e separação dos picos etc. podem ser
manipulados por Processamento Digital de Imagens e, muitas
vezes, isto é desejável.

 No entanto, a imagem deve ser adquirida a melhor possível dentro


das limitações instrumentais e da amostra.

 O Processamento Digital de Imagens é, em geral e neste caso em


particular, incapaz de recuperar a informação perdida por uma
Aquisição inadequada.

5
24/08/2018

Aquisição Processamento e Análise de Imagens


Aquisição
 Uma boa imagem começa com uma boa preparação da amostra !

Pixels Pré-Processamento/Realce

Segmentação Qualitativo

Regiões Pós-Processamento

Extração de Atributos
Dados Quantitativo

Reconhecimento
e Classificação

Pré-processamento Pré-processamento
 O pré-processamento é a etapa que visa melhorar a imagem, de  Operações pontuais
modo a facilitar sua visualização ou segmentação.  Operações de mapeamento
 Operações aritméticas
 Ele corrige defeitos oriundos da aquisição e realça detalhes de  Operações lógicas
interesse.
 Operações locais
 São procedimentos comuns de pré-processamento:  Filtragem
 passa-baixa
 Ajuste de brilho
 passa-alta
 Expansão de contraste  derivadas
 Correção de fundo  Operações morfológicas (erosão, dilatação, abertura, fechamento)
 Delineação de bordas
 Campo estendido (Stitching)  Operações geométricas
 Registro de imagens (Microscopia Correlativa)

Operações de Mapeamento Operações de Mapeamento


 A intensidade de um pixel na imagem
de saída é uma função apenas da
intensidade do pixel correspondente
na imagem de entrada.

1 2 3 4 5 1 2 3 4 5
1 1

2 2

3 3

4 4

5 5

 Exemplos típicos:
 Ajustes de brilho e contraste
 Tabela de cores (LUT)

6
24/08/2018

Operações de Mapeamento Operações Pontuais entre Imagens


Entradas

Saída

Operação

 Operações aritméticas: Soma, Subtração, Multiplicação, Divisão.

 Operações lógicas (E, OU, etc...) e comparativas (Max, Min).

Operações Lógicas Operações Pontuais entre Imagens


A B

 Aritméticas (soma, subtração...)

 Lógicas (E, OU...)

 Comparativas (Max, Min...)


NOT A A AND B A OR B A XOR B
0 => 1 00 => 0 00 => 0 00 => 0
1 => 0 01 => 0 01 => 1 01 => 1
10 => 0 10 => 1 10 => 1
11 => 1 11 => 1 11 => 0

Fonte: Paciornik, S. Notas de Aula – Processamento Digital de Imagens. PUC-Rio, 2018.

Operações Locais Filtro passa-baixa


 O valor de um pixel da imagem de saída é função não só do pixel na Entrada Kernel Saída
imagem de entrada, mas também da intensidade de pixels vizinhos. 5
5
5
5
5
5
9
9
9
9
9
9 5
1 1 1
5 5 5 9 9 9 9 9
Entrada Saída 5 5 5 9 9 9  1 1 1 =
1 1 1

 A vizinhança é definida por x x


5
5
5
5
5
5
9
9
9
9
9
9 5 5
uma matriz denominada kernel. 5 5 5 9 9 9
5 5 5 9 9 9 5 6
1 1 1
5 5 5 9 9 9
y y
5 5 5 9 9 9
 1 1 1 =
 O kernel é aplicado a uma 5 5 5 9 9 9
1 1 1

5 5 5 9 9 9
vizinhança e se desloca até 5 5 5 9 9 9

varrer toda a imagem. 5 5 5 9 9 9


1 1 1
5 6 8
5 5 5 9 9 9
5 5 5 9 9 9  1 1 1 =
1 1 1
5 5 5 9 9 9

 Para cada pixel, calcula-se o 5 5 5 9 9 9

valor resultante, que substitui o


5 5 5 9 9 9
5 5 5 9 9 9 5 6 8 9
1 1 1

pixel central da vizinhança. 5


5
5
5
5
5
9
9
9
9
9
9  1 1 1 =
1 1 1
5 5 5 9 9 9
5 5 5 9 9 9
Fonte: Paciornik, S. Notas de Aula – Processamento Digital de Imagens. PUC-Rio, 2018.

7
24/08/2018

Filtro passa-alta
Entrada Kernel Saída
5 5 5 9 9 9
+12 +12
5 5 5 9 9 9 0
-1 -1 -1
5 5 5 9 9 9 9
5 5 5 9 9 9  -1 8 -1 =
-1 -1 -1
5 5 5 9 9 9
5 5 5 9 9 9 5
5 5 5 9 9 9
5 5 5 9 9 9 0 -12
-1 -1 -1
5 5 5 9 9 9
5 5 5 9 9 9
 -1 8 -1 =
-1 -1 -1 0 0
5 5 5 9 9 9
5 5 5 9 9 9

5 5 5 9 9 9
5 5 5 9 9 9 0 -12 12
-1 -1 -1
5 5 5 9 9 9
5 5 5 9 9 9  -1 8 -1 =
-1 -1 -1
5 5 5 9 9 9
5 5 5 9 9 9

5 5 5 9 9 9 -12 -12
5 5 5 9 9 9 0 -12 12 0
-1 -1 -1
5 5 5 9 9 9
5 5 5 9 9 9  -1 8 -1 =
-1 -1 -1
5 5 5 9 9 9
5 5 5 9 9 9
Fonte: Paciornik, S. Notas de Aula – Processamento Digital de Imagens. PUC-Rio, 2018. Fonte: Paciornik, S. Notas de Aula – Processamento Digital de Imagens. PUC-Rio, 2018.

Correção de fundo Filtro Mediana


Imagem original com
 Defeito comum em microscopia fundo irregular  Para cada vizinhança, ordena os pixels em ordem crescente de intensidade e
ótica. escolhe como saída o valor mediano.
75 77 77 75 77 77
 Online 77 253 81 75 75 77 77 77 77 79 81 253 77 77 81

 Adquirir uma imagem do fundo irregular. 77 75 79 77 75 79

 Imagem de uma superfície plana e  Bom para eliminar ruído tipo sal-pimenta, ruído localizado com intensidade
homogênea.
Fundo calculado muito diferente da vizinhança.
 Desfocar o microscópio e adquirir kernel 49x49
imagem de fundo. aplicado 4 vezes

 Subtrair a imagem do fundo da imagem


original.

 Offline
 Borrar a imagem original com um filtro passa-
baixa de kernel grande. Filtrado com
Original Mediana 3x3
 Subtrair a imagem filtrada da imagem original. Imagem corrigida
Fonte: Paciornik, S. Notas de Aula – Processamento Digital de Imagens. PUC-Rio, 2018.

Filtros Filtro Non-Local Means


 Em vez de considerar um grupo de pixels ao redor do pixel alvo, o
filtro non-local means calcula uma média de todos os pixels da
imagem, ponderada pela similaridade desses pixels com o alvo.

 https://imagej.net/Non_Local_Means_Denoise

 Isso resulta em menor perda de detalhes na imagem em


comparação com os algoritmos de média local.

8
24/08/2018

Filtro Non-Local Means Efeito halo


 Defeito comum em imagens de
elétrons retroespalhados.

 Pode causar erros na


segmentação.

 Pixels nas fronteiras entre fases


apresentam valores
intermediários.

 As transições podem se estender


por diversos pixels.

 Um filtro de delineação pode


reduzir o efeito halo.

Efeito halo Efeito halo


 Defeito comum em imagens de  Defeito comum em imagens de
elétrons retroespalhados. elétrons retroespalhados.

 Pode causar erros na  Pode causar erros na


segmentação. segmentação.

 Pixels nas fronteiras entre fases  Pixels nas fronteiras entre fases
apresentam valores apresentam valores
intermediários. intermediários.

 As transições podem se estender  As transições podem se estender


por diversos pixels. por diversos pixels.

 Um filtro de delineação pode  Um filtro de delineação pode


reduzir o efeito halo. reduzir o efeito halo.

Efeito halo Delineação


 Defeito comum em imagens de  Exemplo de filtro de delineação
elétrons retroespalhados.  Obtém-se as intensidades mínima e máxima
de cada vizinhança.
 Pode causar erros na  Calcula-se D = Max – Min e define-se um
segmentação. limiar T.
 Se D < T, não é borda => pixel de saída = pixel
 Pixels nas fronteiras entre fases de entrada
apresentam valores  Se D > T, é borda => pixel de saída = (Max ou
intermediários. Min)
 Se (pixel – Min) < (Max – pixel) => pixel de
saída = Min
 As transições podem se estender
por diversos pixels.  Se não => pixel de saída = Max

 Um filtro de delineação pode  Este filtro varre a imagem, procurando


reduzir o efeito halo. as transições entre fases e decidindo a
qual fase os pixels pertencem.

9
24/08/2018

Delineação Delineação
Original Depois da Delineação Original Depois da Delineação

Delineação Delineação
Original Depois da Delineação Original Depois da Delineação

Operações Geométricas Stitching


 Alteram a relação de posição entre pixels.

 Uma transformação espacial seguida de uma interpolação.


70 70 80 80
70 70 80 80

70 80 70 ? 80 ? 72 72 76 76
ZOOM
72 76 x2 ? ? ? ? 72 72 76 76

72 ? 76 ?
70 75 80 80
? ? ? ?
71 74.5 78 78
72 74 76 76
72 74 76 76
Fonte: Paciornik, S. Notas de Aula – Processamento Digital de Imagens. PUC-Rio, 2018.

10
24/08/2018

Stitching Stitching

400 µm

Stitching Stitching

Stitching Stitching

11
24/08/2018

Stitching

1 cm

Registro de Imagens Registro de Imagens


 É o processo de sobre-posição de duas ou mais imagens de uma mesma  É o processo de sobre-posição de duas ou mais imagens de uma mesma
cena obtidas em diferentes condições ou por diferentes sensores. cena obtidas em diferentes condições ou por diferentes sensores.

 Microscopia Correlativa  Microscopia Correlativa

Fonte: Gomes, O.D.M.; Paciornik, S. (2012) Multimodal Microscopy for Ore Characterization. In V. Kazmiruk (Ed.), Scanning Electron Microscopy. InTech, ch. 16, p. 313-334.
http://www.intechopen.com/embed/scanning-electron-microscopy/multimodal-microscopy-for-ore-characterization

Registro de Imagens Registro de Imagens


 É o processo de sobre-posição de duas ou mais imagens de uma mesma  É o processo de sobre-posição de duas ou mais imagens de uma mesma
cena obtidas em diferentes condições ou por diferentes sensores. cena obtidas em diferentes condições ou por diferentes sensores.

 Microscopia Correlativa  Microscopia Correlativa

12
24/08/2018

Registro de Imagens Processamento e Análise de Imagens


Aquisição

Pixels Pré-Processamento/Realce

Segmentação Qualitativo

Regiões Pós-Processamento

Extração de Atributos
Dados Quantitativo

Reconhecimento
e Classificação

Segmentação Segmentação
 Visa reproduzir digitalmente a tarefa de reconhecer regiões de uma  O resultado da segmentação são imagens com objetos, cuja
imagem como objetos. representação é geralmente feita por regiões de pixels contíguos de
mesmo valor.
 Processo cognitivo extremamente sofisticado realizado pela visão
humana.  Por exemplo, uma imagem binária onde os objetos são regiões de
pixels brancos em um fundo preto ou vice-versa.
 A segmentação é a etapa crítica da análise de imagens.

 É a etapa mais difícil e também a mais delicada porque todas as


medidas serão realizadas sobre os objetos identificados nesta
etapa.

Segmentação Limiarização
 Não existe um modelo matemático formal para a segmentação.  A limiarização ou thresholding usa a intensidade dos pixels para
distingui-los.
 O processo é essencialmente empírico e deve se ajustar aos
diferentes tipos de imagem e aplicações.  Premissa:
cada objeto é representado por pixels com intensidades
 Não existe um método ideal e genérico de segmentação que seja semelhantes entre si na imagem.
sempre o melhor.

13
24/08/2018

Limiarização Limiarização
 Premissa:  Premissa:
cada objeto é representado por pixels com intensidades cada objeto é representado por pixels com intensidades
semelhantes entre si na imagem. semelhantes entre si na imagem.

 Isto ocorre em inúmeros casos, o que, aliado à simplicidade e à


velocidade da técnica, faz da limiarização uma segmentação
bastante popular.

 Até mesmo programas de edição de imagens (Photoshop,


IrfanView, etc.) costumam ter alguma forma de limiarização.

 A limiarização se baseia na análise do histograma da imagem.


 É efetiva apenas se os objetos forem homogêneos e apresentarem
níveis de intensidade diferentes do fundo.

Histograma Limiarização
 Representação gráfica da função densidade de probabilidade dos
níveis de intensidade dos pixels da imagem.  O processo se baseia na análise do histograma da imagem:
 cada fase é determinada por uma faixa de intensidades
 as fases são segmentadas através da definição de limiares

nr  Limiarização bi-modal: 1 limiar → objetos (branco) e fundo (preto)


p(r ) 
n

 O histograma dá uma ideia geral da aparência da imagem, mas nada


revela acerca de seu conteúdo.

 Contudo, pode ser muito útil para a análise da imagem.

Limiarização Como escolher os limiares?


 O processo se baseia na análise do histograma da imagem:
 cada fase é determinada por uma faixa de intensidades
 as fases são segmentadas através da definição de limiares

 Limiarização bi-modal: 1 limiar → objetos (branco) e fundo (preto)

 Limiarização multi-modal: n limiares → n+1 fases

 Fases bem definidas são representadas por picos no histograma.

 Quanto mais baixos forem os vales e mais separados e bem definidos


forem os picos, melhor será o resultado da limiarização.

14
24/08/2018

Como escolher os limiares? Como escolher os limiares?


 Escolha manual
Escolha Manual  A princípio, não é precisa e nem reprodutível.
 Contudo, pode ser uma opção robusta para a segmentação de
ou
um conjunto de imagens adquiridas sob as mesmas condições.
 Neste caso, escolhe-se os limiares para uma imagem representativa e
os mantém fixos para as demais.
Método Automático ?  Esta técnica será precisa e reprodutível se as condições de aquisição
das imagens forem mantidas.
 Pode-se ainda utilizar um método automático para a determinação
dos limiares na imagem representativa.

Como escolher os limiares? Como escolher os limiares?


 Métodos automáticos  Método dos mínimos
Baseiam-se na análise  Busca o nível de intensidade mínimo entre dois picos.
do histograma.
 O mínimo em geral corresponde a uma intensidade intermediária entre
dois picos.

 É muito sensível a ruídos.

Como escolher os limiares? Mínimos X Otsu


 Método de Otsu
 Busca o limiar que maximiza a variância entre os dois modos do
histograma, i.e., a variância interclasse.

 É um método extremamente eficiente, reprodutível e é o mais presente


em programas de análise de imagens.

 Pode ser facilmente estendido para mais modos do histograma, mas em


geral os programas não têm esta opção.

Qual é o melhor ?

15
24/08/2018

Limiarização no FIJI Limiarização no FIJI

Limiarização no FIJI Como escolher os limiares?

Como escolher os limiares? Limiarização Adaptativa no FIJI

 Quando as variações de fundo


impedem a determinação de um limiar
ideal, os métodos adaptativos podem
ser uma solução.

 Limiarização Adaptativa
 A imagem é essencialmente dividida em
sub-janelas.
 Um limiar é obtido e aplicado para cada
sub-janela.
 O resultado é interpolado.

16
24/08/2018

Limiarização Adaptativa no FIJI Limiarização Adaptativa no FIJI

Segmentação de textura
Limiarização
por limiarização
 Premissa:
cada objeto é representado por pixels com intensidades
semelhantes entre si na imagem.

 E quando a premissa não for verdadeira?

 Já que a limiarização é fácil... vamos usá-la!

Segmentação de textura Segmentação de textura


por limiarização por limiarização

17
24/08/2018

Segmentação de textura Segmentação de textura


por limiarização por limiarização

Segmentação de textura Segmentação de textura


por limiarização por limiarização

Segmentação de textura Segmentação de textura


por limiarização por limiarização
Este código é parte da rotina de análise de imagens
 Modifica-se os pixels com alguma operação local para que passem a apresentada no seguinte artigo:

conter informação contextual (textural). KRAUSE, J.Q.; SILVA, F.A.; GHAVAMI, K.; GOMES, O.D.M.;
TOLEDO FILHO, R.D. On the influence of Dendrocalamus
giganteus bamboo microstructure on its mechanical behavior.
Construction & Building Materials 127: 199-209, 2016.
 Em seguida, usa-se a limiarização. https://doi.org/10.1016/j.conbuildmat.2016.09.104

 Segmenta diferentes texturas, usando informação espectral e espacial.

18
24/08/2018

Segmentação de textura Segmentação de textura


por limiarização por limiarização

Segmentação de textura Segmentação de textura


por limiarização por limiarização

Segmentação de textura Segmentação de textura


por limiarização por limiarização

19
24/08/2018

Segmentação de textura Segmentação de textura


por limiarização por limiarização

Segmentação de textura Segmentação de textura


por limiarização por limiarização

Segmentação de textura
Outro exemplo
por limiarização
RCD

20
24/08/2018

Outro exemplo Processamento e Análise de Imagens


RCD Aquisição

Pixels Pré-Processamento/Realce

Segmentação Qualitativo

Regiões Pós-Processamento

Extração de Atributos
Dados Quantitativo

Reconhecimento
e Classificação

Pós-processamento Operações Morfológicas


 Muitas vezes o resultado da segmentação não é adequado, sendo  São operações nas quais um pixel da imagem de saída é função do valor
necessária uma etapa de pós-processamento antes das medidas. dos pixels numa vizinhança da imagem de entrada.

 O pós-processamento visa corrigir defeitos da segmentação.

 Por exemplo, união, separação e eliminação de objetos são procedimentos


comuns de pós-processamento.

 Geralmente, o pós-processamento é realizado através de operações


lógicas, aritméticas e morfológicas.  Em imagens binárias, um pixel será preservado ou invertido em função de
ter um certo número de vizinhos iguais ou diferentes em posições
 O pós-processamento pode agregar informação espacial à segmentação. específicas de sua vizinhança.

 Assim, ele é particularmente importante para melhorar o resultado de  As posições dos pixels são definidas por uma máscara, denominada
métodos de segmentação espectral, como a limiarização. elemento estruturante.

Operações Morfológicas Operações Morfológicas


 Erosão Erosão  Abertura Abertura
 Um pixel branco é invertido se sua vizinhança não possui  n ciclos de Erosão, seguidos de n ciclos de Dilatação.
pixels brancos suficientes para cobrir o elemento  Objetos muito pequenos desaparecem, aí incluídas
estruturante. pequenas conexões entre objetos.
 Objetos finos ou pequenos serão eliminados.  Objetos maiores preservam sua área.
 Objetos maiores terão sua área reduzida.

 Dilatação  Fechamento
Dilatação Fechamento
 Um pixel preto é invertido se sua vizinhança não possui  n ciclos de Dilatação, seguidos de n ciclos de Erosão.
pixels pretos suficientes para cobrir o elemento  Buracos pequenos ou separações entre objetos são
estruturante. eliminados.
 Buracos finos ou pequenos serão eliminados.  Objetos maiores preservam sua área.
 Objetos terão sua área aumentada e poderão até se
unir.

21
24/08/2018

Operações Morfológicas Operações Morfológicas


 Erosão Derradeira Erosão Derradeira  Esqueleto ou Transformada do Eixo Medial Esqueleto
 Os objetos são erodidos até que um próximo passo os  Corresponde a uma erosão derradeira com a condição
eliminaria. de não remover pixels que quebrariam o objeto em dois.
 Utilizada para localizar “sementes” de objetos e medir  Fornece informação topológica e métrica sobre o objeto.
tamanhos.

 Dilatação Derradeira  Preenchimento


Dilatação Derradeira Preenchimento
 Os objetos são dilatados até que, um próximo passo, os  Objetos com contorno fechado tem seus buracos
uniria. internos preenchidos.
 Utilizada na segmentação watersheds e na análise da
vizinhança de objetos.

Operações Morfológicas Operações Morfológicas


 Eliminação de objetos na borda Eliminação na borda
 Elimina objetos que tocam a borda da imagem e
portanto não são inteiramente vistos.
 Usado antes de medições, para que somente objetos
inteiros sejam medidos.

 Seleção por área


Seleção por área
 Seleção ou eliminação de objetos a partir de suas áreas.
 Usado para eliminação de pequenos objetos espúrios.
 Usado para eliminação de buracos em imagens
invertidas.

Operações Morfológicas Separação de objetos que se tocam


 Imagens com objetos que se tocam, ou parcialmente superpostos, são
bastante comuns.

 A segmentação nestes casos é mais difícil, mas é possível através do


método dos divisores de águas (watersheds).

 O método envolve três etapas


 Uma segmentação gerando uma imagem binária
 O cálculo do Mapa de Distâncias Euclideanas
 Obtenção dos divisores de águas, separando os objetos

 O Mapa de Distâncias Euclideanas (MDE)


 Imagem em que cada pixel de um objeto tem uma intensidade proporcional à sua
menor distância da borda do objeto.
 A partir dos pontos mais brilhantes do MDE, agrega-se pixels num processo de
crescimento que evita que os objetos voltem a se unir.

22
24/08/2018

Watershed Exemplo
Imagem Original Segmentada com buracos Watersheds

PROBLEMA!
Imagem binária MDE Máximos do MDE

Limiarização e eliminação de buracos Watershed Com contornos sobrepostos


A partir dos máximos locais do MDE, agrega-se pixels
num processo que faz crescer ilhas de pixels brancos,

SOLUÇÃO
mas evitando que quaisquer duas ilhas voltem a se
unir.

Imagem segmentada
Fonte: Paciornik, S. Notas de Aula – Processamento Digital de Imagens. PUC-Rio, 2018.

Watershed Watershed
 Limitações
 O método é fortemente sensível à qualidade da segmentação original.

 A preservação/eliminação de buracos na imagem binária irá


gerar/eliminar divisores de águas que podem ser falsos ou verdadeiros.

 Normalmente, faz-se uma filtragem passa-baixa no MDE para atenuar


ruídos gerados por irregularidades das bordas. Esta filtragem gera
divisores de águas mais bem comportados.

 O método deve ser usado com cautela e a aplicação específica irá


determinar o que é mais aceitável: sub ou super segmentação

 Em alguns casos pode ser mais razoável aceitar uma sub-segmentação e


completar as fronteiras ausentes de forma manual.

Processamento e Análise de Imagens Extração de Atributos


Aquisição
 Extração de atributos é a etapa de análise na qual são medidas as
características dos objetos e da imagem.
Pixels Pré-Processamento/Realce
 Medidas de campo (field features)
Segmentação Qualitativo  Medidas que se referem à imagem como um todo
 Ex: número de objetos, área total de objetos, fração de área...
Regiões Pós-Processamento
 Medidas de região (region features)
 Medidas que se referem aos objetos independentemente
Extração de Atributos
Dados  Tamanho
Quantitativo
 Forma
Reconhecimento  Posição
e Classificação
 Intensidade

23
24/08/2018

Medidas de Tamanho Medidas de Forma

Área Área Preenchida Área Convexa


(A) (Ap) (Ac)

Perímetro Perímetro Preenchido Perímetro Convexo


(P) (Pp) (Pc)

Feret mínimo Feret máximo Feret perpendicular ao Espessura


(Fmin) (Fmax) máximo (W)
(Fpmax)

Medidas de Forma Medidas de Forma

Adaptado de: Russ, J.C. Computer-Assisted Microscopy. Springer, 1990.

Fonte: GOMES, O.D.M.; PACIORNIK, S. Automatic Classification of Graphite in Cast Iron. Microscopy & Microanalysis, v. 11, n.4, p. 363-371, 2005.

Medidas de Intensidade e Textura Extração de Atributos

 Ocorrência
 Intensidade Média <I>
 Desvio Padrão SD(I)

 Co-ocorrência
 Parâmetros de Haralick (baseados na matriz de co-ocorrência)

24
24/08/2018

Extração de Atributos Processamento e Análise de Imagens


 Plugin Biovoxxel: https://github.com/biovoxxel/BioVoxxel_Toolbox Aquisição

Pixels Pré-Processamento/Realce

Segmentação Qualitativo

Regiões Pós-Processamento

Extração de Atributos
Dados Quantitativo

Reconhecimento
e Classificação

Classificação Classificação
 Imagine um sistema para classificação de
frutas de 4 tipos (maçãs, cerejas, limões Medindo um objeto  Dado um conjunto de objetos, com
e melões). desconhecido
Medindo
Medindo melões
cerejas
limões
maçãs características mensuráveis, tentar discriminá-los
em classes. C3
Fronteira de decisão
 A cor pode ser usada para distinguir as Cerejas
frutas mais vermelhas (maçãs/cerejas) Maçãs Pode-se imaginar tais características formando
Vermelho

* * 
das mais amarelas (limões/melões). * *** um espaço multi-dimensional.
** *
* *
 O calibre máximo ou diâmetro pode ser
usado para distinguir as frutas menores
•  Cada objeto é representado por um vetor de
características, um ponto no espaço de C2
(cereja/limão) das médias (maçãs) e
* * * * características.
grandes (melões).
Cereja ! * ** * * * * *
 Pode-se separar manualmente um Limões Melões  x1  C1
número representativo de frutas de cada
tipo e determinar as faixas típicas de cor
Diâmetro x   x2 
e tamanho.
 x3 
Adaptado de: Russ, J.C. Computer-Assisted Microscopy. Springer, 1990.

 Assim, uma fruta desconhecida poderá ser automaticamente identificada a partir da base de
conhecimento desenvolvida.  A tarefa da classificação pode ser entendida como o reconhecimento de
agrupamentos neste espaço de características.

Classificação
Tipos de Classificação
aplicada à Análise de Imagens
 Classificação supervisionada  Classificação não-supervisionada
 Um conjunto de objetos conhecidos  O sistema recebe objetos Objetos e Características
pertencentes a diferentes classes é desconhecidos e a partir da medida
analisado. de diferentes parâmetros tenta  Pixels
encontrar as classes.
 Escolhe-se os parâmetros ideais  nível de cinza
para separação.  A identificação de classes pode ser  cor
realizada a partir da identificação de
 A partir deste conjunto de
treinamento, encontra-se a função
agrupamentos (clusters) de objetos  Regiões
no espaço de parâmetros. tamanho
discriminante que separa as 

diversas classes.  forma


 cor
 Objetos desconhecidos são  textura (distribuição das cores)
fornecidos ao classificador.
 Conjunto de regiões

25
24/08/2018

Segmentação de imagens coloridas Segmentação de imagens coloridas

Modelo RGB
(Red, Green, Blue)

 As imagens coloridas mais comuns são 120 181


formadas por um processo aditivo de três 122 155
120 134
cores primárias: Vermelho, Verde e Azul (Red,
84 132
Green, Blue). 84 109
83 100

Segmentação de imagens coloridas Sistema RGB


3

1
2

2 3 4 5 6
4
1

A limiarização é
viável ? Fonte: Gonzalez, R.C.; Woods, R.E. Digital Image Processing, 2nd Edition, Prentice Hall, 2002.

Sistema RGB Sistema HSI


 Hue (Matiz)
 cor dominante

 Saturation (Saturação)
 pureza da cor, o quanto de branco está misturado ao matiz

 Intensity (Intensidade)
 brilho

 Pode ser mais adequado à segmentação


 mais intuitivo para nós, humanos
 separa a informação de cor (H e S) da informação de brilho (I)
 menor correlação entre as componentes H, S e I do que R, G e B
Fonte: Gonzalez, R.C.; Woods, R.E. Digital Image Processing, 2nd Edition, Prentice Hall, 2002.

26
24/08/2018

Sistema HSI Sistema HSI

Fonte: Gonzalez, R.C.; Woods, R.E. Digital Image Processing, 2nd Edition, Prentice Hall, 2002.

Segmentação de imagens coloridas Segmentação de imagens coloridas


2 1 3 2 1 3

6 6
6 6
5 5

5 5

4 4
4 4

3 3

2 2
1 1

Segmentação de imagens coloridas


2 1 3

5
6
Segmentação de
4 imagens coloridas
4
no FIJI
3

E assim, não 2
seria melhor ? 1

27
24/08/2018

Segmentação de imagens coloridas no FIJI Segmentação de imagens coloridas no FIJI

Otávio da Fonseca Martins Gomes


Email: ogomes@gmail.com

28
View publication stats

Referências Bibliográficas

Buades, A.; Coll, B.; Morel, J.M. Non-Local Means Denoising. Image Processing On Line 1, 2011.

Duda, R.O.; Hart, P.E.; Stork, D.G. Pattern Classification, 2nd ed., Wiley-Interscience, 2000.

Gomes, O.D.M. Processamento e Análise de Imagens Aplicados à Caracterização Automática de


Materiais. 2001. 151 f. Dissertação (Mestrado em Engenharia Metalúrgica e de Materiais) –
Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), 2001.

Gomes, O.D.M. Microscopia Co-Localizada: Novas Possibilidades na Caracterização de Minérios.


2007. 103 f. Tese (Doutorado em Engenharia Metalúrgica e de Materiais) – Pontifícia
Universidade Católica do Rio de Janeiro (PUC-Rio), 2007.

Gomes, O.D.M.; Paciornik, S. Automatic Classification of Graphite in Cast Iron. Microscopy &
Microanalysis 11(4): 363-371, 2005.

Gomes, O.D.M.; Paciornik, S. (2012) Multimodal Microscopy for Ore Characterization. In


V. Kazmiruk (Ed.), Scanning Electron Microscopy, p. 313-334. InTech, ch. 16, p. 313-334.

Gonzalez, R.C. & Woods, R.E. Digital Image Processing, 3rd ed. Pearson, 2007.

Krause, J.Q.; Silva, F.A.; Ghavami, K.; Gomes, O.D.M.; Toledo Filho, R.D. On the influence of
Dendrocalamus giganteus bamboo microstructure on its mechanical behavior. Construction &
Building Materials 127: 199-209, 2016.

Lessa, A.M.; Gomes, O.D.M.; Ferreira, H.O.; D’Abreu, J.C.; Paciornik, S. Classificação automática
de hematita especular e hematita porosa em pellet feed por análise digital de imagens. In:
Simpósio Brasileiro de Minério de Ferro, 8, Salvador, 2007. Anais... São Paulo: ABM, 2007. v. 2,
p. 582-588.

Paciornik, S. Notas de Aula – Processamento Digital de Imagens. PUC-Rio, 2018.

Russ, J.C. Computer-Assisted Microscopy. Springer, 1990.

Russ, J. The Image Processing Handbook, 7th ed., CRC Press, 2015.

Schindelin, J.; Arganda-Carreras, I.; Frise, E.; Kaynig, V.; Longair, M.; Pietzsch, T.; Preibisch, S.;
Rueden, C.; Saalfeld, S.; Schmid, B.; Tinevez, J.Y.; White, D.J.; Hartenstein, V.; Eliceiri, K.;
Tomancak, P.; Cardona, A. Fiji: an open-source platform for biological-image analysis. Nature
methods 9(7): 676-82, 2012.

Você também pode gostar